NORDISKE STUDIER I LEKSIKOGRAFI

Transkript

1 NORDISKE STUDIER I LEKSIKOGRAFI Titel: Forfatter: Struktureret redigering af ordbøger Ole Norling-Christensen Kilde: Nordiske Studier i Leksikografi, 992, s Rapport fra Konferanse om leksikografi i Norden, mai 99 URL: Nordisk forening for leksikografi Betingelser for brug af denne artikel Denne artikel er omfattet af ophavsretsloven, og der må citeres fra den. Følgende betingelser skal dog være opfyldt: Citatet skal være i overensstemmelse med god skik Der må kun citeres i det omfang, som betinges af formålet Ophavsmanden til teksten skal krediteres, og kilden skal angives, jf. ovenstående bibliografiske oplysninger. Søgbarhed Artiklerne i de ældre Nordiske studier i leksikografi (-5) er skannet og OCR-behandlet. OCR står for optical character recognition og kan ved tegngenkendelse konvertere et billede til tekst. Dermed kan man søge i teksten. Imidlertid kan der opstå fejl i tegngenkendelsen, og når man søger på fx navne, skal man være forberedt på at søgningen ikke er 00 % pålidelig.

2 447 Ole NorJing-Christensen Struktureret redigering af ordbøger Det standardiserede strukturbeskrivelsessprog SGML gør det muligt at beskrive vilkårligt komplicerede teksttrukturer og at opmærke teksten i overensstemmelse med beskrivelsen. Herved adskilles præsentation og indhold. og teksten bliver velegnet til alle slags datamatisk behandling, herunder syntakskontrol, komplicerede søgninger, automatiske ændringer; genbrug af definerede dele af en ordbogs oplysninger, præsentation af samme tekst med forskelligt lay-out. Teknikken og nogle praktiske anvendelser beskrives med en dansk-engelsk ordbogsartikel som gennemgående eksempel. En del af meningen med de synspunkter og den teknik, som her skal introduceres, er at flytte fokus for leksikografens opmærksomhed fra formen henimod indholdet. Under det daglige ordbogsarbejde skal der ikke længere tænkes i typografiske kategorier, men i indholdsmæssige. En gang for alle (omend med mulighed for senere ændringer) har leksikografen beskrevet væsentlige dele af sine redaktionsregler i et formelt sprog, gjort rede for, hvilke oplysningstyper ordbogen skal indeholde og for deres indbyrdes sammenhæng. Da de indholdroressige kategorier således på forhånd er fastlagt, kan leksikografen herefter koncentrere sig om, hvilke af kategorierne der skal tages i brug i hvert enkelt tilfælde, og hvad der skal puttes i dem. Denne målsætning kan opfyldes på lige så mange måder, som der findes databasesytemer; men hvis eksisterende ordbøgers (makro- og) mikrostruktur skal indpasses i et databasesystem, når man oftest til så komplicerede modeller, at det nærmer sig det prohibitive. Lettere er det, når man starter forfra med et helt nyt ordbogsprojekt Vilkårligt komplicerede strukturer kan imidlertid beskrives i SGML, Standard Generalized Markup Language, og SGML kan bruges til en eksplicit strukturmarkering af ordbogsteksten. En ny tekst kan indskrives, og en eksisterende tekst rettes til, med en særlig SGML-editor, som understøtter strukturmarkeringen. Et syntakskontrolprogram, SGMLparseren, kan kontrollere om markeringerne i teksten er i overensstemmelse med strukturbeskrivelsen. Den strukturmarkerede tekst er velegnet til alle slags datamatisk behandling, herunder: indlæggelse i databaser; komplicerede søgninger; automatiske ændringer; udtrækning af definerede dele af ordbogens oplysninger til brug fx i andre ordbøger; præsentation ikke blot i trykt form, men også fx på dataskærm. På basis af DANLEXgruppens undersøgelser og anbefalinger (DANLEX 987) har softwarehuset TEXTware NS og forlaget Gyldendal i fællesskab udviklet et redigeringssystem, GestorLEX, til ordbøger. Det kombinerer SGML-editor, -parser, og en lang række andre faciliteter. Strukturbeskrivelsessproget SGML er en international standard (ISO 8879, 986) beregnet til at beskrive, og styre behandlingen af, alle slags "dokumenter", fx forretningsbreve, EF-cirkulærer, ganske almindelige bøger, og altså også ordbøger. Dokumenterne beskrives som en træstruktur af elementer; et element kan bestå af andre elementer og/eller stumper af egentlig tekst, som er træets blade. Dokumentet er selv et element, træets rod.

3 448 Indhold, struktur, præsentation En grundlæggende tanke bag SGML er at adskille præsentation og indhold. Man beskriver, hvilken slags oplysninger dokumentet består af, og hvordan de hænger sammen, altså en generisk (artsmæssig) beskrivelse og kodning. Man beskriver derimod ikke, hvordan disse oplysninger skal præsenteres på tryk eller fx på en skærm. Præsentationsoplysningerne (skrifter, skriftstørrelser, interpunktionstegn og andre separatorer, spring til ny side eller nyt afsnit, osv.) kan føjes til bagefter som en funktion af strukturen. Til forskellig brug af samme dokument kan dettes strukturoplysninger meget vel oversættes til forskellige sæt af præsentationsoplysninger, uden at der overhovedet skal ændres i selve dokumentet. Et eksempel herpå er de danske Gyldendals Elektroniske Ordbøger og de tilsvarende norske fra ~unnskapsforlaget og svenske fra Almqvist & Wiksell (tidl.: Esselte Studium): det til grund liggende dokument er det samme; men skærmbilledet, fx Axelsen (990), og bogsiden, fx Axelsen (984), ser meget forskellige ud. Dokumenttypedefinitionen, DTD Et fuldstændigt SGML-dokument består af en dokumenttypedefmition, DTD, som angiver reglerne for dokumentets struktur, samt selve dokumentet, hvori start og slut på hvert enkelt element er markeret. Et simpelt eksempel på en DTD er den generelle beskrivelse i figur l af en (fag)bog; den er lånt fra (FORMEX 985), men ændret en smule. <!ELEMENT BK <!ELEMENT IP <!ELEMENT TK <!ELEMENT CN <!ELEMENT (HC, T) <!ELEMENT PR <!ELEMENT (TP, P) <!ELEMENT MP <!ELEMENT CH <!ELEMENT (TC, F) <!ELEMENT BI <!ELEMENT (TB, I) <!ELEMENT EP <!ELEMENT PS <!ELEMENT TS <!ELEMENT G <!ELEMENT TG <!ELEMENT IX <!ELEMENT TI (IP, MP, EP) > (TK, CN, PR) > (HC, T+) > (TP, P+) > (CH+) > (TC, P+, F*, BI?) > (TB, l+) > (PS, G, IX) > (TS, P+) > (TG, I+) > (TI, I+) > Figur l. Dokumenttypedefinition (DTD) for en fagbog, jf. figur 2. (Efter FORMEX 985)

4 449 DTD'en i figur l skal forstås således, at hvert element (venstre kolonne) består af ("genskrives som") de elementer, der står i parentesen i højre kolonne, i den anførte rækkefølge. #PCDATA symboliserer den egentlige tekst. Efter et elementnavn på højre side kan der stå et plus(+), en stjerne (*)eller et spørgmålstegn (?); de har følgende betydning: + Elementet skal forekomme mindst en gang, men kan forekomme flere gange efter hinanden; * Elementet kan udelades, eller det kan forekomme en eller flere gange efter hinanden;? Elementet kan udelades, eller det kan forekomme højst en gang. Et umarkeret element skal forekomme netop en gang på den angivne plads. De samme symboler er anvendt i den grafiske afbildning (figur 2) af (fag)bogens struktur. Fx består et kapitel <CH> af en titel <TC>, flere ( +) afsnit <P>, måske nogle (*) fodnoter <F>, og måske en (?) bibliografi <Bl>. (? - zero or once) C' - zero or more) (+ - one or more) <TB> <l> Figur 2. Struktur af en fagbog, jf. figur l. (Fra FORMEX 985) SGML og ordbøger Som gennemgående eksempel i det følgende anvendes artiklen afgjort (figur 3) fra en danskengelsk ordbog (Axelsen 984), som jeg har konverteret fra fotosatsdata. til SGML-

5 450 strukturerede data, som dernæst er importeret til GestorLEX redigeringssystemet med henblik på udarbejdelsen af en ny udgave. afgjort adj (som er gjet i orden) setlied; (udpræget) definile. F decided (fx advantage, improvemenl); (om person) decided (fx she was ve ry decided); adv definitely, F decidedly (fx betler); unquestionably (fx he is unquestionablythe best man); en- saga setlied thing; det er IsA godt som)- at il is (as good as) setlied thai. Figur 3. Artiklen afgjort fra Jens Axelsen: Dansk-engelsk Ordbog (Axelsen 984) Ordbogen flyttes altså fra sætteriets tekstbehandlingssystem, hvis typografiske kodning (figur 4) skal omsættes til en generisk. Samtidig har redaktionen udtrykt ønsker om, at præsentationen af ordbogens oplysninger bliver mere eksplicit. FED afgjort (fx KURSIV adj ORDINÆR she was very decided ( ); KURSIV som er gået i orden KURSIV ad v ) ORDINÆR defmitely ORDINÆR settled, ; ( GROTESK F KURSIV udpræget ORDINÆR decidedly ) (fx ORDINÆR definite ORDINÆR better ); ' GROTESK F ORDINÆR unquestionably ORDINÆR decided (fx (fx ORDINÆR h e is unquestionably the ORDINÆR advantage best man ); ORDINÆR improvement KURSIV en- sag ); ( ORDINÆR a settled thing KURSIV om person ) KURSIV det er (så godt som) - at ORDINÆR deeide d ORDINÆR it is (as good as) settled that Figur 4. Ordbogsartiklen opdelt i strukturmarkører og egentlig tekst.

6 Figur 5 viser en analyse (blandt mange mulige) af ordbogsartiklens opbygning. Grundlæggende består en ordbogsartikel af et Hoved med oplysninger om selve opslagsordet (her: ordklasse; men det kunne også være fx bøjning og udtale); en Krop med oversættelser af selve opslagsordet; og en Fod (andre ordbogsprojekter kalder dette afsnit for Hale) med mere eller mindre faste ordforbindelser, herunder egentlige idiomatiske udtryk. I det her viste eksempel er der to Kroppe og et indskudt "Hovedl". Det skyldes et redaktionelt ønske om, at ny ordklasse skal udløse ny artikel. På et senere stadium i konverteringsprocessen vil der fremkomme to adskilte artikler hver med sit homografnummer. I den oprindelige artikel (figur 3) er de forskellige oversættelser af "afgjort" adskilt af komma eller semikolon; ofte er de desuden mærket med en TydSpecifikation (kursiv tekst i parentes) eller en Sigel, en versal i særlig skrift (grotesk). I eksemplet forekommer F = formelt sprog; i øvrigt bruger ordbogen bl.a. S = slang og T = talesprog. Der er grund til at antage, at variationerne (komma el. semikolon; TydSpee/Sigel el. ingenting) antyder et semantisk hierarki: de forskellige Tyd (en term, som skyldes Otto Jespersen) har betydningsmæssigt mere eller mindre med hinanden at gøre. 45 Hoved Krop Tyd2 l Hoved OfaslagsOrd afjport Kasse a~ Tyd2 TydSpec som er gået i orden TydO Æ kvival settled Tyd2 TydSpec Si~l ud_rræget TydO Æ kvival defmite { F TydO Æ ival decided Eksempel!id vantage Eksempel mprovement TydSpec om person TydO Klasse ad v TydO Tyd2 { Si~ l F Eksempel Ty do Eksempel SubArt Udtryk TydO { SubArt Udtryk TydO Ækvival decded Eksempel she was very decided Æ kvival definitely Krop TydO Æ ival decidedly better Ækvival unquestionabl y he Is unquestionably the best man en- sa8 Ækvival a settie thing Fod det er (så godt som) - at Æ kvival it is (as good as) settled that Figur 5. Strukturanalyse af artiklen afgjort Efter aftale med ordbogens redaktør er det besluttet at strukturere tydene således: De enkelte Tyd2 i en artikel har ikke meget til fælles; i den kommende ordbogsudgave skal flere Tyd2 efter hinanden adskilles med semikolon og nummereres med arabertal. En Tyd2 kan omfatte en eller flere TydO, som semantisk er nærmere beslægtede; er der flere TydO under samme Tyd2 adskilles de blot med semikolon. Det flertydige komma afskaffes altså som separator

7 452 mellem forskellige tyd. Den opmærksomme læser vil savne en Tydl. Den er foreløbig ikke taget i brug, men er reserveret til en eventuel underinddeling af Tyd2, typografisk fx markeret med a), b), c).... Processen som overfører de typografiske data til SGML-formaterede data indebærer bl.a. en klargøring af de typografiske data, jf. Norling-Christensen (988), samt en parsing, som er analog med maskinel syntaks-analyse af naturligt sprog. Den beskrives nøjere i Norling-Christensen (992); her skal blot antydes, at hovedreglen for skift til ny Tyd2 er, at der både forekommer et semikolon som separator og en TydSpecifikation eller en Sigel. Hvis der på TydSpecifikationens plads optræder en ny ordklasseangivelse, oprettes der derimod en helt ny artikel; for at fuldstændiggøre denne kopieres opslagordet dertil. Hovedl i figur 4 erstattes altså med et normalt Hoved bestående af opslagsordet "afgjort" og ordklassebetegnelsen "adv". Hoved OpslagsOrd afgjort Klasse adj. Krop Tyd2 som er gået i orden Tyd2 udpræget Tyd2 om person Artikel Hoved #NOTE Ny homograf oprettet OpslagsOrd afgjort Klasse adv. Krop Tyd2 definitely Fod Fodlifsnit SubArt en.. sag adj. l som er ået i an/en} settled; 2 {tm~nl'lget} definite; F declded (.W advantage; improvement); 3 {ompen;on} declded (.W she was very declded). afgjort adv. definitely; F decldedly (.W better ); unquestionably (.W he is unquestionably the best man); o en "'Sll!l a settled thlng; det er{så odtsom}"'at it is (as settie d Figur 6. Skærmbillede fra redigeringssystemet GestorLEX. I strukturvinduet t.v. ses artiklerne afgjort delvis udfoldet (til og med niveau 4). Tekstvinduet t.h. viser ordbogsteksten i et typografisk format, som automatisk genereres ud fra strukturen og et sæt præsentationsregler.

8 453 Processen omfatter også en konvertering af forkortelser etc. til en vedtagen standard; den indebærer bl.a. at alle forkortelser nu afsluttes af forkortelsespunktum. Resultatet af den automatiske proces ses i figur 6, som samtidig illustrerer, at det kun er forsvarligt at gennemføre automatiske ændringer af ordbøger, hvis der efterfølgende foretages en menneskelig kontrol. Bemærk nemlig, at Foden udelukkende rummer prøver på adjektivets brug; den skal altså flyttes op, hvor den hører til. I GestorLEX vil dette dog kun kræve nogle få tastetryk. For at sikre, at redaktøren er opmærksom på, hvor mekanikken har ændret hans tekst, sættes der noter ind, som han kan søge efter og tage stilling til. Ordbogsartiklen som SGML-struktur Efter opdelingen i to artikler med samme opslagsord (homografer) kan artikelstrukturen beskrives med den DTD, som vises i figur 7. Det overordnede element Horn består af en eller flere Artikel; hvis der er flere, nummererer systemet dem med højtstående arabertal (homografnumre). I øvrigt er elementnavnene de samme som på figur 5. <!ELEMENT Horn (Artikel+) > <!ELEMENT Artikel (Hoved, Krop, Fod?) > <!ELEMENT Hoved (OpslagsOrd, Klasse) > <!ELEMENT (Opslagsord, Klasse) <!ELEMENT Krop (Tyd2+) > <!ELEMENT Tyd2 (TydSpec?, TydO) > <!ELEMENT TydO ( (Sigel l TydSpec)?, Ækvival, Eksempel*) > <!ELEMENT (TydSpec, Sigel, Ækvival, Eksempel) <!ELEMENT Fod (SubArt+) > <!ELEMENT SubArt (Udtryk, Tyd O+) > <!ELEMENT Udtryk Figur 7. En (forenklet) dokumenttypedefinition (DTD) for Dansk-engelsk Ordbog. Den lodrette streg i "(Sigel! TydSpec)" betegner "enten/eller". Flere elementnavne på venstre side i en genskrivningsregel, fx " (Opslagsord, Klasse)", er blot en forkortet skrivemåde for, at disse elementer genskrives på samme måde. SGML er som nævnt en international standard. Det indebærer, at ordbogsdata, som er lagret i SGML-format, ikke blot kan importeres til, benyttes i, og eksporteres fra GestorLEXsystemet De kan også udveksles mellem forskellige ordbogsprojekter, og de er lette at bearbejde datamatisk, også uden for GestorLEX. En nøjere beskrivelse af GestorLEX falder iøvrigt uden for denne artikels rammer. Her skal blot nævnes, at systemet er detaljeret beskrevet i TEXTware (99), og at det opfylder praktisk taget alle de krav som opstilles i DANLEX (987:239-25).

9 454 Litteratur Axelsen, Jens Dansk-engelsk Ordbog. 9. udgave (7. oplag 99). København. Axelsen, Jens Dansk-engelsk Ordbog. l. elektroniske udgave. København. DANLEX. 987: The DANLEX Group (Ebba Hjorth, Jane R. Jacobsen, Bodil Nistrup Madsen, Ole Norling-Christensen, Hanne Ruus): Descriptive Tools for Electranic Processing of Dictionary Data. Studies in Computational Lexicography. Lexicographica Series Maior 20. Tiibingen. FORMEX. 985: Formalized Exchange of Electranic Publications. Standard generalized mark-up language (SGML) as deseribed in Appendix B of the FORMEX manual. Luxembourg, Office for Official PubHeations of the Europaen Communities. ISO International Standard ISO Information Processing-Textand Office Systems - Standard Generalized Markup Language (SGML). Geneve. Norling-Christensen, Ole Læsning af maskinlæsbare tekster. I: Nordiske Datalingvistdage og Symposiumfor datamatstøttet leksikografi og terminologi 987. Proceedings. Institut for Datalingvistik, Handelshøjskolen i København. Norling-Christensen, Ole Parsing Dictionary Data. Et oplæg til Workshop on Tools and Methods for Practical Lexicography, Fifth EURALEX International Congress august, Tampere, Finland. (Under udarbejdelse). TEXTware. 99. LexWrite Brugermanual. Version 2: April 24, 99. København. Og LexDesign Brugermanual. Version 2: April 29, 99. København.